[發(fā)明專利]一種基于遷移學(xué)習(xí)的人臉檢測(cè)的方法、裝置以及設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 201810890473.1
• 申請(qǐng)日: 2018-08-07
• 公開(kāi)（公告）號(hào): CN109086723B
• 公開(kāi)（公告）日: 2022-03-25
• 發(fā)明（設(shè)計(jì)）人: 李莉;陳瑋;廖廣軍;武垚欣
• 申請(qǐng)（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V10/774;G06V10/82;G06V10/764;G06K9/62;G06N3/04;G06N3/08;G06V40/40
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 羅滿

1.一種基于遷移學(xué)習(xí)的人臉檢測(cè)的方法，其特征在于，包括：

依據(jù)源數(shù)據(jù)集中的人臉圖像的大小對(duì)采集到的目標(biāo)數(shù)據(jù)集中的人臉圖像進(jìn)行歸一化處理；

對(duì)所述源數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)的遷移部分進(jìn)行直接遷移，并對(duì)所述源數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)的非遷移部分進(jìn)行微調(diào)，從而得到所述目標(biāo)數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)格結(jié)構(gòu)；

對(duì)所述目標(biāo)數(shù)據(jù)集的確定網(wǎng)格結(jié)構(gòu)后的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所述目標(biāo)數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)網(wǎng)格參數(shù)；

利用確定所述網(wǎng)格結(jié)構(gòu)和所述目標(biāo)網(wǎng)格參數(shù)后的所述目標(biāo)數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)，對(duì)所述目標(biāo)數(shù)據(jù)集中真實(shí)人臉圖像進(jìn)行識(shí)別；

所述依據(jù)源數(shù)據(jù)集中的人臉圖像的大小對(duì)采集到的目標(biāo)數(shù)據(jù)集中的人臉圖像進(jìn)行歸一化處理包括：

利用插值法和源數(shù)據(jù)集的Alexnet卷積神經(jīng)網(wǎng)絡(luò)中輸入層內(nèi)標(biāo)準(zhǔn)化圖像尺寸，對(duì)采集到的目標(biāo)數(shù)據(jù)集中的人臉圖像進(jìn)行歸一化處理，以便于依據(jù)所述Alexnet卷積神經(jīng)網(wǎng)絡(luò)得到所述目標(biāo)數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)；

所述對(duì)所述源數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)的遷移部分進(jìn)行直接遷移，并對(duì)所述源數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)的非遷移部分進(jìn)行微調(diào)，從而得到所述目標(biāo)數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)格結(jié)構(gòu)包括：

對(duì)所述Alexnet卷積神經(jīng)網(wǎng)絡(luò)中除最后三層以外的其他層進(jìn)行直接遷移；

對(duì)所述Alexnet卷積神經(jīng)網(wǎng)絡(luò)的全連接層、soft-max層和分類輸出層進(jìn)行微調(diào)，從而得到所述目標(biāo)數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)格結(jié)構(gòu);

所述對(duì)所述Alexnet卷積神經(jīng)網(wǎng)絡(luò)的全連接層、soft-max層和分類輸出層進(jìn)行微調(diào)包括：

將所述Alexnet卷積神經(jīng)網(wǎng)絡(luò)的全連接層的大小設(shè)置為所述目標(biāo)數(shù)據(jù)集中的類別數(shù)目；

將所述Alexnet卷積神經(jīng)網(wǎng)絡(luò)的soft-max層設(shè)置為所述目標(biāo)數(shù)據(jù)集中每個(gè)類別概率似然值；

將所述Alexnet卷積神經(jīng)網(wǎng)絡(luò)的分類輸出層設(shè)置為所述目標(biāo)數(shù)據(jù)集的類別數(shù)據(jù)。

2.如權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述目標(biāo)數(shù)據(jù)集的確定網(wǎng)格結(jié)構(gòu)后的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所述目標(biāo)數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)網(wǎng)格參數(shù)包括：

取所述目標(biāo)數(shù)據(jù)集中的預(yù)設(shè)數(shù)量的樣本作為訓(xùn)練集，將所述目標(biāo)數(shù)據(jù)集中除預(yù)設(shè)數(shù)量的樣本外的其他樣本作為測(cè)試集，對(duì)所述目標(biāo)數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所述目標(biāo)數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)網(wǎng)格參數(shù)。

3.如權(quán)利要求1所述的方法，其特征在于，所述目標(biāo)數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)格參數(shù)包括：權(quán)重學(xué)習(xí)率，偏置學(xué)習(xí)率，批樣本數(shù)，回合數(shù)以及初始學(xué)習(xí)率。